デミス・ハサビス氏：AGI に不足するもの、エージェントの真価、次なる科学突破の姿について語る

デミス・ハサビスは、Google DeepMind の CEO であり、Isomorphic Labs の CEO でもあります。チェス棋士神童やゲーム開発者としての経歴に加え、認知神経科学の博士号を取得し、海馬と記憶の仕組みの研究を行ってきました。2024 年には、AlphaFold に関する功績によりノーベル化学賞を受賞しました。

今回は、Y Combinator の「未来をどう築くか（How to Build the Future）」ライブ配信にゲストとして出演し、YC CEO のギャリー・タンと約 40 分間対談しました。議論の核心は以下の通りです：現在の AI パラダイムが AGI（汎用人工知能）に至るまでに何が不足しているか、エージェントの実態レベル、科学分野における AI のブレークスルーのパターン、そして深層技術系スタートアップへのアドバイス。

オリジナル動画：https://www.youtube.com/watch?v=JNyuX1zoOgU

オリジナルタイトル：Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough

要点サマリー

• ハサビスは、現在のパラダイム（事前学習＋RLHF（強化学習による人間フィードバック）＋思考チェーン）が AGI アーキテクチャの一部になると考えていますが、まだ発見されていない重要なブレークスルーを 1〜2 個必要とする可能性が 50% あると指摘しています。継続的学習、長期的推論、記憶の側面は未解決の課題です。
• 百万トークンのコンテキストウィンドウは非常に大きく見えますが、リアルタイムビデオを処理する場合にはわずか 20 分分の録画しか対応できません。現在のようにすべての情報をコンテキストウィンドウに詰め込むアプローチは、「テープで糊付けした一時的な解決策」です。
• AlphaGo や AlphaZero の時代に使われた技術（モンテカルロ木探索など）が、現代の基礎モデルにおいて再導入されつつあります。ハサビスは、今後数年間の進歩の多くが、これらの古いアイデアをスケールして応用することから生まれると考えています。
• 彼はチェスを用いて Gemini の推論能力を試しましたが、モデルはある手が誤りであることを認識しながらも、より良い選択肢が見つからないと、その誤った手へと戻ってしまうことが分かりました。この「自己省察の欠如」が、現在の推論システムの核心的な欠陥です。
• 創造性の真のテストは、高レベルの説明からチェスというゲーム自体を創り出せるかどうかにかかっています。AlphaGo が Move 37（第 37 手）のような創造性を示したとしても、それはまだ十分ではありません。
• 完全な仮想細胞の実現にはさらに約 10 年かかる見込みです。最大のボトルネックは、生きた細胞を殺さずにナノメートルレベルの解像度でイメージングすることができない点にあります。
• スタートアップへのアドバイスとして、「AGI の実現時期が 2030 年だと仮定した場合、深層技術系スタートアップには通常 10 年の開発期間が必要であるため、AGI はあなたの事業旅程の途中に現れることになります。ビジネスプランにはこの要素を必ず含めるべきです」と述べています。

【1】AGI にはまだ 1〜2 個のパズルピースが不足しており、確率は半々

ギャリー・タンはオープニングでこう尋ねました：現在の AI パラダイムである大規模事前学習、RLHF（強化学習による人間フィードバック）、思考チェーンといった要素の中に、AGI の最終アーキテクチャのどの程度が含まれているのでしょうか？また、根本的に何が欠けているのでしょうか？

ハサビスの回答は慎重なものでした。彼は現在のこれらのコンポーネントが「ほぼ確実に」AGI の最終アーキテクチャの一部になると述べ、これまでに多くのことが証明されており、突然これが行き止まりだと判明する可能性はないと強調しました。しかし、既存のものに加えて、さらに 1〜2 個の大きなアイデアが必要になる可能性があります。

彼が挙げた未解決の課題は以下の 3 つです：継続的学習（continual learning、つまりモデルがデプロイされた後も新しい経験から継続的に学習する能力）、長期的推論、そして記憶のいくつかの側面。これらの問題は、既存技術の漸進的な革新によって解決できる可能性もあれば、全く新しいアプローチを必要とする可能性もあります。

彼は興味深い確率判断を示しました：50/50 です。半分は現在の技術で十分である可能性、もう半分はまだ一、二つの重要な突破が必要である可能性があります。Google DeepMind は両方のシナリオに賭けています。

【2】記憶：百万トークンのコンテキストでは実は足りない

話題は自然と記憶とコンテキストウィンドウに移りました。Garry Tan は、現在のシステムは毎回無状態（stateless）で処理しており、継続的な学習が欠如しているため、人々は「夢のサイクル」（定期的なバッチ更新）のような一時的な解決策を使っていると指摘しました。

Hassabis はこの話題について独自の発言権を持っています。彼の博士研究は、海馬（hippocampus）がどのようにして新しい知識を既存の知識ベースに優雅に統合するかというものでした。脳は睡眠中、特に REM（急速眼球運動）期において重要な経験の断片を再生することで学習を強化します。DeepMind の初期のアトリーゲーム AI である DQN はこのメカニズムを借用し、「経験再生」（experience replay）を用いて成功したゲームの軌道を繰り返し再生することで学習を加速させました。

**

現在の私たちのアプローチは、まるでテープで糊付けしているようなものです。すべてをコンテキストウィンドウに押し込んでいるのです。

（"We're kind of using duct tape right now—shove it all in the context window."）

彼はなぜこの解決策が十分でないのかを続けて説明しました。百万トークンのコンテキストウィンドウは非常に大きく聞こえますが、人間の作業記憶の平均は数字で約 7 つ程度です。一方、AI は百万、あるいは千万レベルのコンテキストを持っています。しかし問題は、重要かどうか、正しいかどうかに関係なく、すべてを投げ込んでしまう点にあります。さらに重要なことに、リアルタイムのビデオストリームを処理する場合、すべてのトークンを無邪気に記録すれば、百万トークンでもわずか 20 分しか持ちません。システムにあなたの 1〜2 ヶ月分の生活を理解させたいのであれば、全く足りません。

ストレージが無限にあったとしても、現在の意思決定に本当に必要な情報をその中から見つけるための検索コストは無視できません。Hassabis は記憶の分野にはまだ大きな革新の余地があると考えています。

【3】AlphaGo の技術的遺産が復活している

Garry Tan は DeepMind の強化学習（reinforcement learning）における歴史的蓄積について追及し、AlphaGo、AlphaZero、MuZero といったシステム背後にある哲学が、今日 Gemini を構築する際にどの程度役立っているかを問いました。

Hassabis は強化学習の重要性が「浮き沈みの中で循環している」と述べました。DeepMind は設立初日からエージェント（agent）に取り組んでおり、アトリーゲーム AI や AlphaGo も結局のところエージェントシステムであり、自律的に目標を設定し、意思決定を行い、計画を立てるものです。当時ゲーム分野を選んだのは問題を制御可能にし、徐々により複雑なゲームに挑戦するためでした。AlphaGo の後には『スタークラフト』（StarCraft）の AlphaStar が作られました。

過去数年間の核心的な問題は、これらのモデルをゲームから言語や世界モデルへと拡張できるかという点でした。そして今日、すべての最先端モデルの思考パターンや思考連鎖推論（chain-of-thought reasoning）は、AlphaGo 時代に開拓された道筋に遡ることができます。

彼は注目すべき情報を明かしました。Google DeepMind は、モンテカルロ木探索（Monte Carlo tree search）などの当時の古い考え方を再検討しており、現代の基礎モデル（foundation model）の規模でこれらを再び適用しようとしています。彼は今後数年間の AI の多くの進歩が、AlphaGo や AlphaZero 時代のアイデアと現代の基礎モデルを組み合わせることで生まれると考えています。

【4】小規模モデルが急速に賢くなっている

Garry Tan は、蒸留技術によって小規模モデルが最先端モデルの能力に徐々に近づいていることを観察しました。Flash モデルは最先端モデルのおよそ 95% の性能を達成しつつ、コストはたった十分の一です。彼は蒸留には限界があるのかと問いました。

Hassabis は、これが Google DeepMind の中核的な強みの一つであると述べました。彼らは当然ながら、能力の境界を押し広げるために最大のモデルを構築しますが、その能力を迅速に小規模なモデルへ圧縮する点こそが彼らの得意とするところです。Google には十億ユーザー規模の製品が十余あり、検索における AI 概観（AI Overview）や AI モード、Gemini アプリ、YouTube、Maps など、すべてが AI サービスを必要としています。数十億人のユーザーに対して、極めて高速で効率的かつ低遅延なサービスを提供する必要があり、こうした商業的な圧力が逆に技術進歩のエンジンとなっています。

蒸留に関する理論的な限界については、現時点では情報密度に硬直的な天井（キャピタル・フロア）が存在する兆候は見ていないと彼は言いました。彼らの作業仮説とは、最先端モデルが発表されて半年から一年後には、同等の能力がエッジレベルの小規模モデルに現れるようになるというものです。

また、彼は一つのアーキテクチャ上の構想にも触れました。未来においては、効率的なローカルモデルが日常タスク（音声やビデオストリームなど）を処理し、特定の状況下でのみクラウド上の最先端モデルを呼び出すような、「ローカル＋クラウド」の階層型アーキテクチャになる可能性があります。この「ローカル＋クラウド」の分层アーキテクチャは、プライバシーとセキュリティの観点から特に意義が深く、家庭用ロボットなどのユースケースを考慮するとなおさらです。

【5】Gemini の将棋対局で露呈した推論の欠陥

Garry Tan は引き続き推論能力について問いました。モデルは高度な思考連鎖（Chain of Thought）推論を行えますが、聡明な学部生なら決して犯さないような基本的なミスを犯してしまうのです。

Hassabis は、現在の思考パラダイムはまだ粗末であり、大きな革新の余地があると認識しています。例えば、思考連鎖の進行を監視したり、推論プロセスの途中で介入して修正を加えたりすることが可能です。彼はしばしば、これらのシステムが「過剰に思考（overthinking）」し、何らかのループに陥っていると感じると述べました。

彼は具体的な例を挙げました。彼自身、Gemini を使って将棋を指すことがあります。すべての最先端基礎モデルはゲームにおいて振る舞いが非常に悪いですが、これは恰好にも興味深い観察の窓を提供します。なぜなら、将棋のルールは確定しているため、モデルの思考連鎖が遠回りをしているかどうかを彼はすぐに判断できるからです。

彼が観察した現象とは、モデルがある手を考慮し、それが悪手であると気づきながらもより良い手を見つけられず、結局は一度ループして同じ手に戻り、その後で別の手に進むというものです。

真に精密な推論システムにおいて、このような光景は決して見られるべきではありません。

（"You just shouldn't be seeing that happening in a very precise reasoning system."）

これが彼が言うところの「鋸歯状知能（jagged intelligence）」です。一方では国際数学オリンピック（IMO）金メダルレベルの問題を解くことができるのに、他方では問い方を少し変えるだけで基本的な算数のミスを犯してしまいます。彼の視点では、この不一致はシステムが自身の思考プロセスに対する何らかの「内省（introspection）」能力を欠いていることを示しています。ただし彼は、このような欠陥を修復するには、たった一、二つの重要な調整で済む可能性もあると付け加えました。

【6】エージェント：実験段階にあり、投資対効果はまだ整合していない

Garry Tan は、エージェント（智能体）は過熱した話題なのか、それとも始まったばかりなのかを問いました。Hassabis の答えは、「始まったばかりだが、まだ実験段階である」というものでした。

彼の論点はこうです。AGI（汎用人工知能）に到達するためには、能動的に問題を解決できるシステムが必要であり、エージェントこそが AGI への道筋となります。しかし現在、エージェントは「完全なタスク」においてまだ十分ではありません。その主な理由は、具体的な使用環境において継続的に学習し適応できないからです。継続的な学習の欠如が、エージェントが「導入後は放置（fire and forget）」できる状態に至れない根本原因です。

彼はまた、興味深い観察結果にも言及しました：

私は、何十ものエージェントを 40 時間ほど実行している人々をよく見かけますが、そのレベルの投入に対して、成果がそれを正当化するかどうかは確信が持てません。

ここ数ヶ月、ようやくエージェントが真に価値のある活用シーンが見出され始め、「おもちゃの展示」から、実際に効率を高めるツールへと進化し始めたのです。

【7】30 分で Theme Park を作るが、ヒット作はどこにある？

創造性や「フィーリングコーディング（vibe coding）」について問われると、ハサビス氏は印象的な対比を示しました。

私は今なら 30 分で『Theme Park』のプロトタイプを作成できますが、17 歳の頃にはそれを作るのに 6 か月かかりました。

（注：『Theme Park』はハサビス氏が 1994 年に開発に参加したシミュレーション経営ゲームで、世界累計販売数は 1500 万本を超えています。）

しかし、彼は直ちにさらに興味深い観察を続けました。ツールがこれほど強力になったのに、なぜ「フィーリングコーディング」で作られたヒット作として 1000 万本売れるゲームが出てこないのか？

彼が欠けているものだと考えるのは、「職人技（craft）」と「魂（soul）」に関わる何か、つまり人間の品味や執着のようなものです。ツールは実行のハードルを下げましたが、創造性そのものが代替されたわけではありません。彼は 6 か月から 12 ヶ月以内に、これらのツールを使って真に影響力のある作品を生み出す人が現れるだろうと予測しています。最初に現れるのは完全自律型の AI による創作ではなく、この部屋にいる誰かが AI ツールを活用して 1000 倍の生産性を実現した結果として生まれるものになるでしょう。

そして彼は話題をさらに深い次元へと推し進めました。AlphaGo の第 2 局における第 37 手（Move 37）は、人類の棋士たちを驚愕させた創造的な一手であり、ハサビス氏はこの手を観た瞬間に科学プロジェクトを開始できる確信を持ち、ソウルから帰った翌日には AlphaFold プロジェクトを立ち上げました。

しかし彼は言います。Move 37 のようなレベルの創造性では不十分だと。

Move 37 を思いつくだけでは足りません。重要なのは、囲碁そのものを発明できるかどうかです。

（「Move 37 を思いつくだけでは不十分だ。囲碁を発明できるだろうか？」）

彼が想定するのは、システムに以下のような高レベルな記述を与えることです。「ルールを 5 分で習得できるが、熟練するには一生を要するゲームで、美学的に優れており、1 局は午後のうちに終わるもの」。そして、システムが囲碁のようなものを返してくるかどうかを試すのです。現在のシステムにはまだそれができません。

【8】Gemma オープンソース化の背後にある戦略的計算

オープンソースの話題に移ります。ハサビス氏は、Google DeepMind が常にオープンサイエンスの提唱者であり続けてきたと述べ、AlphaFold が完全に無料で公開されていることがその好例だと指摘しました。Gemma シリーズの目標は、同等のパラメータ規模において世界最高水準を達成することです。

彼は興味深い地政学的な考慮事項にも言及しました。

とても重要な点は、オープンソースに西洋のスタックが存在することです。中国のモデルは非常に優れており、現在オープンソースで先導しています。

（「It's important for there to be Western stacks on open source. A lot of the Chinese models are excellent, and they're currently leading in open source.」）

開放エッジモデルにはもう一つの実用的な理由があります。Google は Android、グラスウェア、ロボットなどのデバイス上でモデルを実行する必要があり、一度デバイスにデプロイされると重み（weights）はもともと露出しています。既然如此、むしろ完全にオープンソース化すべきです。彼らはすでに「Nano レベル」で統一してオープンソース戦略を採用することを決定しました。

【9】多モーダルな長期の賭け

Garry Tan はインタビュー前に、Hassabis に対して自身が Gemini を用いて構築した音声アシスタント（映画『Her』の Samantha に似たもの）をデモンストレーションしました。彼は Gemini が音声から直接モデルに接続する点やツール呼び出し能力において、現在すべてのモデルの中で最も優れていると評価しています。

Hassabis はこれを Gemini の「まだ十分に認識されていない」強みであると述べています。Gemini は初めから多モーダルな方式で訓練されており、初期段階ではテキストに特化するよりもはるかに困難でしたが、長期的な収益が現れ始めています。例えば、Genie（Google DeepMind の世界モデル生成器）は Gemini の多モーダル能力の上に構築されており、ロボット分野において極めて重要です。Waymo もすでに Gemini 関連技術を使用しています。

将来のデジタルアシスタントは、スマートフォン、グラスウェア、あるいはその他のデバイスにおいて、周囲の物理世界と直感的な物理学を理解する必要があります。まさにこれが Gemini シリーズモデルの強みです。

【10】推論は決して無料にならない

Garry Tan は尋ねました。「推論コストがゼロに近づいたとき、何が起きるのでしょうか？」

Hassabis の答えは、「推論は決して本当に無料にはならない」というものです。彼はジェボンズの逆説（Jevons' paradox）を引用しました。これは、ある資源の使用効率が向上すると、需要が逆に増加し、最終的にすべての効率による利益を消費してしまうという現象です。

【注：ジェボンズの逆説は、経済学者の William Stanley Jevons によって 1865 年に初めて提唱されました。元の文脈は石炭でした。蒸気機関の効率が向上した後、石炭の使用量は減少するどころか逆に増加しました。】

彼は推論計算資源をすべて食い尽くすいくつかの可能性を想定しています：百万単位のインテリジェントエージェント（智能体）クラスタが協調して作業を行うこと、あるいは単一のエージェントが複数の方向で並列思考を行い結果を統合することです。たとえ制御核融合や超伝導などの材料科学の突破によってエネルギーコストをゼロに近づけることができたとしても、チップの物理的な製造プロセスは依然としてボトルネックとなります。少なくとも今後数十年の間、推論側には割り当て制限が存在し続けるでしょう。

【11】仮想細胞：10 年後の目標

Garry Tan は尋ねました。「AlphaFold 3 はすでにタンパク質を超えて、より広範な生体分子へと拡張しました。完全な細胞システムのシミュレーションまでにはまだどれほどの距離があるのでしょうか？」

Hassabis はまず、DeepMind から分離された企業である Isomorphic Labs の進捗について言及しました。同社は AlphaFold 以外の隣接する生化学および化学分野も手がけており、正しい性質を持つ化合物を設計しています。「まもなく重大な発表があるでしょう」と彼は述べています。

彼は完全な仮想細胞にはおおよそ10年かかると考えています。現在、DeepMind の科学チームは、細胞核が比較的自律したシステムであることから、仮想細胞核の構築から始めています。この種の課題における鍵となるのは、複雑性の中から十分に自律的な断片を切り出し、その入出力を近似処理し、そのサブシステムに集中できるかどうかです。

最大の課題はデータの不足です。もし生きた細胞を殺さずにナノメートルレベルの解像度でイメージングできれば、この問題は視覚の問題へと変換されます。「視覚問題の解決法は我々には分かっている」と言えるからです。しかし現時点では、ナノメートルの解像度と生体細胞への非破壊性を同時に満たすイメージング技術が存在しないようです。静的画像の解像度はすでに非常に高いですが、動的な情報が欠けています。

したがって、2 つの道があります。1 つはハードウェア駆動・データ駆動で、イメージング技術の突破を待つという道です。もう 1 つはモデリングアプローチで、より優れた動的システム学習シミュレータを構築するという道です。

【12】AI は科学の究極のツール

Garry Tan が、すべての科学分野の中で最も期待しているのはどれかと尋ねました。Hassabis は直接順位をつけるのではなく、これが彼が AI を取り組む核心となる原動力であると述べました。

DeepMind の使命は 2 つのステップに分かれています。第 1 ステップは知能を解明すること、つまり AGI（汎用人工知能）を構築することです。そして第 2 ステップは、それを他のすべての問題解決に活用することです。

（"Step one was solve intelligence, i.e., build AGI, and then step two was use it to solve everything else."）

彼は「他のすべての問題を解く」という表現については後で言葉遣いを変更する必要があると付け加えました。なぜなら人々は「本当に『すべての問題』とおっしゃるのですか？」と尋ねるからです。答えはイエスです。

彼は「根幹となる問題（root node problems）」という概念に言及しました。これは、一度解決されれば新たな研究分野が開かれるような科学上の難問を指します。AlphaFold はその典型例です。現在、世界中で 300 万人以上の研究者が AlphaFold を利用しています。彼は製薬業界の経営者である友人から、「今後はほぼすべての新薬開発プロセスに AlphaFold が使われるようになる」と聞いています。

他の分野、例えば材料科学、気候モデリング、数学については、現在おおよそ「AlphaFold 1 の段階」にあると考えています。結果は非常に有望ですが、その分野における大きな課題をまだ完全に解決したわけではありません。今後数年間で多くの進展が見られるでしょう。

【13】AlphaFold 型突破の 3 つの条件

Garry Tan は尋ねました。「どのような科学問題が AlphaFold 型の突破に適しているのでしょうか？何か共通のパターンがあるのでしょうか？」

Hassabis は、これを文章化するべきだと述べました。AlphaGo と AlphaFold の経験から、彼は 3 つの条件をまとめました。

• 第一に、巨大な組み合わせ探索空間です。可能であれば大きいほど良く、暴力検索や特殊アルゴリズムでは解決できない規模である必要があります。囲碁の合法手やタンパク質の可能な構造は、宇宙中の原子の数よりも遥かに多いです。

• 第二に、明確な目的関数（Objective Function）が必要です。タンパク質折りたたみは自由エネルギーを最小化する問題と見なせ、囲碁では勝つことが目的です。「何が良い状態か」を定義できなければ、勾配に従って上昇（最適化）することはできません。

• 第三に、十分なデータ量、あるいは大量の同分布合成データを生成できるシミュレータが必要です。

この 3 つの条件が満たされれば、既存の方法でも「大海に針を探す」ような探索において大きな進展を遂げることができます。創薬も同じ枠組みです。「この病気を治し、副作用のない化合物が存在する」という前提があり、物理法則によってその存在が可能であるならば、残る課題はそれをいかに効率的に見つけるかだけです。

【14】「アインシュタイン・テスト」：AI は真の科学発見を行えるのか？

Garry Tan は話題をより高い抽象レベルへと押し上げました。AI は真の科学的推論を行うことができるのか、それとも単なるパターンマッチングに過ぎないのかという問いです。

ハサビス氏は、自分が非常に近いところまで来ていると感じていると語りました。Google DeepMind には、Co-Scientist のような汎用的な科学推論システムや、基礎となる Gemini 上に能力を追加する AlphaEvolve といったアルゴリズムが存在します。しかし、率直に言って、彼はまだ真の「画期的発見」を一つも見ていません。

彼はこの状況を、以前議論された創造性の問題と関連づけています。真の発見は、パターンマッチング（既存のパターンが何もないため）を超えており、単純な外挿（外挿：existing data から未来や未知の領域を推測すること）も超えています。彼はこれを「類推推論」（analogical reasoning）と呼び、現在のシステムはこの能力を持っていないか、少なくとも正しい方法でこれを使用していないと考えています。

彼はこの課題を段階的に説明するために、以下のようなアプローチを取りました。まず、既存の数学的難問を解決できるでしょうか？例えば、ミレニアム懸賞問題（Millennium Prize Problems：数学界が各問題に 100 万ドルの懸賞金をかけた未解決の七大問題）です。彼は、これならおそらく数年で解決可能だと考えています。彼個人が最も見てみたいのは、P=NP 問題の解決です。

しかし、ミレニアム懸賞問題を解くことよりも難しいのは、新しいミレニアム懸賞問題のセットを提案できるかどうかです。つまり、トップクラスの数学者たちが、それらが同様に深遠であり、一生をかけて研究する価値があると認めるような問題群です。

そして彼は、彼の「アインシュタイン・テスト」を提示しました。

1901 年の物理学の知識でシステムを訓練し、それがアインシュタインが 1905 年に成し遂げたこと（特殊相対性理論を含む）を再現できるかどうかを見るのです。

（"Can you train a system with the knowledge of physics of 1901, and then will it come up with what Einstein did in 1905, including special relativity?"）

【注：1905 年はアインシュタインの「奇跡の年」（annus mirabilis）と呼ばれ、彼は这一年に光電効果、ブラウン運動、特殊相対性理論、そして質量エネルギー等価（E=mc²）を扱った 4 つの画期的な論文を発表しました。】

このテストに合格することは、システムが真に新しいものを発明する能力を持っていることを意味します。彼は、システムがいつできるようになるかを見るために、このテストを繰り返し実行すべきだと考えています。

【15】起業家へのアドバイス：AGI をビジネスプランに組み込む

最後のトピックは、起業家へのアドバイスです。ハサビス氏はまず、ガリー・タンの以前の質問に応えました。「もしあなたが YC の起業家の立場にいるなら、何をしますか？」

彼の核心的なアドバイスは、AI ともう一つの深層技術（Deep Tech）分野の交差点を見つけることです。材料科学、医学、あるいは物理世界の原子に関わるハードサイエンスの問題などです。このような学際的なチーム、特に物質世界に関わるものは、予測可能な未来において、基礎モデルの次のアップデートによって簡単に置き換わることなく、最も防御性の高い起業の方向性となります。

そして彼は、より具体的な時間計画に関する質問を提示しました。あなたの AGI のタイムラインが 2030 年だと仮定し、真の深層技術スタートアップには通常 10 年がかかる場合、AGI はあなたの旅路の途中に現れることになります。これは必ずしも悪いことではありませんが、これを考慮に入れる必要があります。あなたのシステムは AGI を活用できるでしょうか？AGI が出現した後にあなたの製品はどうなるでしょうか？

彼は、価値あるアーキテクチャ判断を示しました。未来は、すべての能力を備えた巨大な汎用モデルになるわけではありません。より可能性が高いのは、汎用モデル（Gemini、Claude など）が AlphaFold のような専用システムをツールとして呼び出すというアーキテクチャです。タンパク質の折りたたみの知識を Gemini に直接詰め込めば、「それは間違いなくその言語能力に影響を与える」でしょう。この「汎用オーケストレーター（調整役）＋ 専用ツール」というアーキテクチャは、AGI の時代においても、特定の垂直分野に特化したシステムを構築することが依然として巨大な価値を持つことを意味しています。

困難な問題に挑戦することと、単純な問題に挑戦することは、難易度自体は実はほとんど変わりません。ただ、難しいポイントが異なるだけです。

（「困難な問題を追うことは、浅く単純な問題を追うことよりも難しくありません。ただ、難しさの質が異なるだけです。」）

彼は自身の経験で結びます。2010 年に DeepMind を設立した際、投資家からは「AI は試したが、ダメだった」と言われました。学界でも AI は 90 年代にすでに否定された端緒的な学問だと考えられていました。しかし、彼は若いうちから AI に取り組むことを決意しました。なぜなら、それが彼が思いつく中で最も重要なことであり、最も面白いことだからです。たとえ今日、AI がまだ成功を収めていなくても、彼はどこかのガレージで引き続き取り組み続けるでしょう。

Hassabis は同時に二つのことを進めています：最先端モデル（Gemini）の構築と、AI を用いた科学研究（AlphaFold、Isomorphic Labs）です。これにより、彼の判断は純粋なモデル派や純粋な応用派よりも高い参考价值を持っています。彼が AGI の道筋について「おそらくまだ一、二つの大きなアイデアが足りない」と述べる点は、業界の多くの声よりも抑制的であり、また Google 自身が積極的に AI エージェント製品を推進している状況下において、AI エージェントへの投資対効果に対する彼の疑問も注目に値します。

今後注目すべき具体的な節目は三つあります。第一に、AI エージェントがより長いコンテキストで無理やり支えるのではなく、長期間のタスクにおいて安定して学習し適応できるかどうかです。第二に、AI for Science（科学のための AI）において、新たな AlphaFold 型の「根本的な問題」に対する突破があるかどうかです。第三に、AI が単に古い問題をより速く解決するだけでなく、高品質な新しい問いを提起し始めるかどうかです。Hassabis が語る AGI の途中での到来は、深科技（Deep Tech）の創業者にとって単なるスケジュール判断ではなく、アーキテクチャに関する課題です。今日あなたが構築しているシステムが、その時になって置き換えられるのか、それとも AGI によって能動的に利用されるツールとなるのかという問いです。

Q&A 速覧

問：現在の AI パラダイムは AGI からどれほど遠いのでしょうか？

答：既存のコンポーネント（事前学習 + RLHF（Reinforcement Learning from Human Feedback：人間フィードバックによる強化学習）+ 思考チェーン）は最終的なアーキテクチャの一部となるでしょうが、50% の確率でさらに一、二つの重要な突破が必要です。継続的学習、長期的推論、そして記憶が三つの主要な未解決課題です。Hassabis 個人の AGI 実現のタイムラインは 2030 年頃です。

問：小規模モデルはますます賢くなるのでしょうか？

答：はい。Google の作業仮説では、最先端モデルの能力が半年から一年後にエッジレベルの小規模モデルへ転送可能であるとされています。知識蒸留（Distillation）において現時点で情報密度の理論的限界に直面していません。

問：AI は真の科学発見を行うことができるのでしょうか？

答：まだです。Hassabis は現在のシステムには「類推推論」能力が欠けていると考えています。彼は検証基準として「アインシュタイン・テスト」を提案しました。1901 年の物理学知識でシステムを訓練し、特殊相対性理論レベルの発見を生み出せるかどうかを試すものです。

問：深科技の創業者はどのように計画すべきでしょうか？

答：AI ともう一つのハードサイエンス分野との交差点を見つけてください。AGI がその旅路の途中で出現する可能性という要素をビジネスプランに組み込んでください。専用 AI システム（AlphaFold など）は AGI 時代においても価値を持ち続けます。なぜなら、それらは汎用モデルによってツールとして利用されることになるからです。

問：なぜまだ直感的なプログラミングで生まれた爆発的なヒット作がないのでしょうか？

答：ツールは実行のハードルを下げましたが、創造性そのもの、つまり craft（職人技）と soul（魂）はまだ代替されていません。Hassabis は 6 か月から 12 ヶ月以内に、AI ツールを用いて制作された影響力のある作品が現れると予測しています。